Nøkkelinnsikt

• Emergent startet med å løse verifisering, ikke koding. Det er testing og kvalitetssikring som avgjør om en AI-agent kan oppdage og fikse sine egne feil, og dermed jobbe selvstendig over tid.
• I AI-verdenen kan det lønne seg å starte som nummer to. Hver gang det kommer en ny og bedre AI-modell (tenk GPT-4 til GPT-5 i ChatGPT), starter alle på nytt, og Emergent lærte av konkurrentenes svakheter.
• Kostnadsreduksjon fra 500 000 til 5 000 dollar er bare halve gevinsten. Den andre halvparten er at den som kjenner problemet bygger selv, uten mellomledd som misforstår kravene.
• SaaS-bransjen trues fra to kanter: AI-agenter som overtar arbeidsflyter direkte, og skreddersydd programvare som kan erstatte ferdige løsninger som Asana og Jira.

Kort fortalt

Tvillingbrødrene Mukund og Madhav Jha har bygget Emergent, en AI-plattform der hvem som helst kan lage produksjonsklar programvare uten å kunne kode. På åtte måneder har brukerne laget over 7 millioner apper, og 80 % av dem har null programmeringserfaring. I denne episoden av The Lightcone på Y Combinator forklarer gründerne hvordan de gikk fra forskningsselskap til global plattform, og hva det betyr for fremtiden til tradisjonell programvare.

---

Hva Emergent lover

Mukund Jha hevder at gapet mellom å ha en idé og å få den ut som ferdig programvare er i ferd med å forsvinne. Ifølge ham er folk som sitter tett på et problem, men som aldri har kunnet programmere, nå i stand til å bygge programvare som driver ekte virksomheter. Emergent er bygget for akkurat denne gruppen: småbedriftseiere som i dag drifter bedriften sin med e-post, regneark og WhatsApp, og som tidligere måtte betale et utviklingsbyrå hundretusener av dollar for spesialtilpasset programvare.

---

Fra testing til global plattform

Brødrene Jha begynte å programmere da de var tolv år gamle. Mukund var en av gründerne bak Dunzo, en indisk leveringstjeneste for mat og dagligvarer (tenk Foodora eller Wolt), der han ledet et team på 300 ingeniører, mens Madhav bygde opp maskinlæringsteamet hos Amazon. Da de startet Emergent i slutten av 2023, bygde de noe helt annet enn en vibkodingsplattform. De startet med automatisert programvaretesting, altså AI-agenter som sjekker om koden faktisk fungerer før den sendes ut.

Nøkkelinnsikten kom tidlig: Hvis du kan løse verifisering, altså sikre at koden faktisk fungerer, kan AI-agenten jobbe selvstendig over lengre tid. Mukund beskriver koding som bare 20 % av jobben. Resten handler om testing, feilsøking, distribusjon og sikkerhet. Denne innsikten førte dem til å bygge en hel produksjonsplattform, ikke bare et verktøy for å lage prototyper.

Resultatet var at de toppet SWE-bench, en kjent målestokk for hvor godt AI-agenter løser programmeringsproblemer. De bygde multiagent-arkitektur, der flere AI-agenter samarbeider om ulike deloppgaver. En hovedagent håndterer det overordnede arbeidet, mens underagenter tar seg av spesifikke oppgaver som testing, designsøk og integrasjoner.

I tillegg utviklet de et langtidsminne som lærer på tvers av brukernes sesjoner. Hvis en AI-agent slet med en kalenderintegrasjon for tre uker siden, håndterer den det nå, fordi systemet har lagret erfaringen fra forrige gang. Disse ferdighetene genereres automatisk fra tidligere økter og kjøres gjennom en kvalitetskontroll før de legges til i minnet. Madhav kaller det en form for kontinuerlig læring, der agenten forbedrer seg uten at noen trenger å trene den manuelt.

---

Fordelen ved å komme som nummer to

Emergent lanserte etter konkurrenter som Lovable og Bolt, men Mukund mener det var en fordel. Hver gang det kommer en ny og bedre AI-modell, starter alle på nytt. Da Emergent startet, sleit konkurrentene med å få AI-modellene til å levere svar i et format systemet kunne bruke videre. I stedet for å bruke tid på det, satset brødrene på at neste modellgenerasjon ville løse det av seg selv.

De lærte også av hva som ikke fungerte. Konkurrentene var bygget for å lage raske utkast til brukergrensesnitt, men folk ville ha apper som faktisk virket i produksjon. Emergent bygde derfor sin egen infrastruktur fra bunnen av. Poenget er at agenten bygger appen i det samme miljøet den etterpå skal kjøre i. Det unngår feilene som ofte oppstår når programvare flyttes fra utviklingsmiljø til produksjon.

Resultatet vises i tallene: over 190 land med brukere, der 70-80 % befinner seg i USA og Europa. Markedsføringen var enkel: de brukte influensere på TikTok og Instagram som viste fram hva plattformen kunne gjøre.

---

Personlig programvare i praksis

Den mest overraskende brukerhistorien kommer fra Alaska. Christy er klinisk psykolog og sportscoach innen ridning. Hun ville kombinere innsikt fra begge feltene i én app, men fant ingenting på markedet. Hun prøvde å hyre et utviklingsbyrå, men prisene var for høye. På Emergent bygde hun appen selv og lanserte den som Equine på app-butikken.

Det handler ikke bare om penger, ifølge Madhav Jha. Mye forsvinner mellom den som har ideen og utvikleren som skal bygge den. En norsk forretningsutvikler som bruker Emergent beskrev det slik: Han bygger alt selv fordi han vet nøyaktig hva han trenger. Resten av teamet kan fokusere på forretningen.

Et annet eksempel: Emergents eget team erstattet Asana med et skreddersydd prosjektstyringsverktøy bygget av en kvalitetssikringsansvarlig på plattformen. Første prompt var «klon Jira». Verktøyet er tilpasset teamets arbeidsflyt, der de shipper tre ganger daglig, og det sparer selskapet 3 000-4 000 dollar i måneden i abonnementer. Internt har også markedsføringsteamet bygget et komplett system for kundeoppfølging (CRM), og kundestøtteteamet jobber med sin egen support-programvare. Alt er bygget helt og holdent på Emergent, uten at noen har redigert koden manuelt.

---

To trusler mot SaaS-bransjen

Mukund Jha ser to store utfordringer for tradisjonell SaaS-programvare (skybasert programvare du betaler månedlig abonnement for). Den første er at AI-agenter i økende grad overtar arbeidsflytene som SaaS-produkter tilbyr. Med mindre et SaaS-selskap bygger om til agentstyrte løsninger, mener han at det blir vanskelig å overleve.

Den andre utfordringen er spesialtilpasset programvare. Når det koster 5 000 dollar i stedet for 500 000 å bygge egen programvare, faller argumentet for generiske verktøy bort. Allerede i dag er 20 % av appene som bygges på Emergent utstyrt med AI-agenter som kan utføre oppgaver på egenhånd. Brukerne legger inn Emergents egen agent i appene sine for å automatisere arbeidsflyter.

Jared Friedman fra Y Combinator peker på det som kalles Jevons' paradoks (oppkalt etter økonomen William Stanley Jevons): Når et verktøy blir kraftigere, fører det til mer bruk, ikke mindre. Y Combinator ser det selv internt. Jo kraftigere verktøyene blir, jo flere ideer dukker opp, og jo mer programvare ventes det at folk leverer per uke.

Mukund ser også for seg at AI-agenter snart vil jobbe over mye lengre tidsrom. Emergent eksperimenterer allerede med agentsvermer, der mange agenter samarbeider på én oppgave. Ifølge ham vil vi innen utgangen av året ha agenter som kjører i 24 timer, med hundrevis av agenter som koordinerer på én enkelt oppgave. Igjen er det verifiseringen som er nøkkelen: uten en pålitelig måte å sjekke om jobben er gjort riktig, sporer agentene av.

---

Hvordan tolke disse påstandene

Emergent presenterer imponerende tall, men det er grunn til å stille noen spørsmål. Gründerne har all grunn til å presentere den mest optimistiske versjonen av historien sin.

Hva teller som en app?

7 millioner apper høres overveldende ut, men tallet sier lite uten kontekst. Hvor mange av disse er test-apper, halvferdige prosjekter eller enkle prototyper? Tallet inkluderer trolig alt fra engangseksperimenter til seriøse forretningsverktøy. Mer meningsfulle tall ville vært antall apper med aktive brukere eller apper som faktisk genererer inntekt.

Interessekonflikt i historiene

Brukerhistoriene er valgt ut av Emergent selv. En psykolog fra Alaska og en norsk forretningsutvikler er gode fortellinger, men de er enkelthistorier. Uten bredere data om suksessrate, frafallstall og brukeropplevelser blant de som ikke lykkes, er det vanskelig å vurdere om plattformen leverer like godt for den typiske brukeren.

Modellselskaper som konkurrenter

Mukund avfeier risikoen fra selskaper som Anthropic og OpenAI, som bygger sine egne utviklerverktøy. Argumentet er at kodingen bare er 20 % av verdien. Men modellselskapene har et vesentlig fortrinn: de kontrollerer modellene som Emergent er avhengig av. Hvis Anthropic lanserer Claude Code for ikke-tekniske brukere, konkurrerer Emergent mot sin egen leverandør.

---

Praktiske implikasjoner

For småbedriftseiere

Tilpasset programvare er blitt tilgjengelig for en brøkdel av hva det kostet før. Hvis du driver forretningen din med regneark og e-post, kan plattformer som Emergent la deg bygge et verktøy som passer akkurat din arbeidsflyt. Men test grundig før du baserer kjernevirksomheten på det.

For SaaS-selskaper

Faren er todelt. Generiske verktøy som prosjektstyring og CRM er mest utsatt, fordi det er akkurat den typen programvare folk nå bygger selv. Selskaper som tilbyr spesialisert funksjonalitet med sterke nettverkseffekter har trolig lengre levetid.

---

Ordliste

---

Kilder og ressurser